mcp-zip
The mcp-zip server provides a compressed memory system for AI agents, enabling efficient storage, search, and retrieval of contextual information across sessions while minimizing token usage.
Initialize Projects (
memoria_iniciar): Create or reactivate memory projects with an optional tech stack description; auto-archives entries older than 30 days.Write Memory Entries (
memoria_escribir): Record structured entries (bugs, decisions, implementations, plans) with fields like title, context, root cause, solution, tags, and affected files in compact Markdown format.Search Memory (
memoria_buscar): Full-text semantic search using FTS5 + TF-IDF across a project's entries (~700 tokens per search), with optional filtering for active entries only.Read Memory Files (
memoria_leer): Read complete memory files (e.g., resumen, errores, decisiones, implementacion, plan) for a given project.Generate Summaries (
memoria_resumen): Get a compact project status summary (~500 tokens).List Projects (
memoria_listar): View all existing memory projects.Archive Old Entries (
memoria_archivar): Automatically move resolved entries older than a configurable threshold (default: 30 days) into an archive vault.Import Existing Markdown (
memoria_importar): Migrate existing.mdcontext files into the mcp-zip system.Export Memory (
memoria_exportar): Export the content of a specific memory file from a project.Synchronize Data (
memoria_sincronizar): Rebuild and sync the JSON cache and SQLite index across all projects.Statistics (
memoria_estadisticas): View token savings and memory usage metrics.Zip Export/Import: Package and unpackage entire projects into/from
.mcp-zipcompressed archives, and inspect archive contents.
Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@mcp-zip search for 'color detection' in ferreteria"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
mcp-zip 🗜️
Memoria comprimida para agentes de IA.
mcp-zip es un servidor MCP que comprime el contexto de tu agente de IA. En vez de leer archivos completos (miles de tokens), busca solo lo relevante (decenas de tokens). Como un ZIP, pero para la memoria del agente.
El Problema
Tu agente de IA olvida todo cada vez que termina una sesión. Para recordar, tiene que leer archivos completos de contexto — consumiendo miles de tokens en cada conversación. Al final del día, llegás al rate limit.
Related MCP server: context-vault
La Solución
mcp-zip comprime la memoria del agente en archivos .md compactos, optimizados para consumo de LLMs. Con búsqueda FTS5 + TF-IDF, tu agente encuentra lo relevante en milisegundos sin leer archivos completos.
Arquitectura
┌──────────────┐ ┌──────────────┐ ┌──────────────┐
│ .md files │────▶│ .json cache │────▶│ SQLite │
│ (store) │ │ (estructura)│ │ (índice) │
│ git-friendly│ │ parseo rápido│ │ FTS5+TF-IDF │
└──────────────┘ └──────────────┘ └──────────────┘
│ │ │
▼ ▼ ▼
Humanos leen APIs acceden Agente busca
y commitean programátic. instantáneoFlujo de Trabajo
INICIAR SESIÓN:
memoria_iniciar("ferreteria")
→ Auto-archiva entradas >30 días
→ ✅ Proyecto activo
ESCRIBIR:
memoria_escribir("ferreteria", "bug", "Color falla", ...)
→ Guarda en .md (git)
→ Genera .json (cache)
→ Indexa en SQLite (búsqueda)
BUSCAR:
memoria_buscar("ferreteria", "color detection")
→ SQLite FTS5 + TF-IDF busca (~700 tokens)
→ Devuelve solo entradas relevantes
LEER:
memoria_leer("ferreteria", "resumen")
→ Lee .md completo (~500 tokens)
→ Solo para contexto generalInstalación
pip install mcp-zipConfigurar en tu Editor
Zed
Agrega en ~/.config/zed/settings.json:
{
"context_servers": {
"zip": {
"command": "mcp-zip"
}
}
}Claude Desktop
Agrega en claude_desktop_config.json:
{
"mcpServers": {
"zip": {
"command": "mcp-zip"
}
}
}Cursor
Agrega en .cursor/mcp.json:
{
"mcpServers": {
"zip": {
"command": "mcp-zip"
}
}
}Cualquier Cliente MCP
{
"mcpServers": {
"zip": {
"command": "mcp-zip",
"env": {
"MEMORIA_ROOT": "~/.memoria"
}
}
}
}Herramientas
Herramienta | Descripción | Tokens |
| Crea/reactiva proyecto + auto-archiva | ~50 |
| Registra entrada (bug, decisión, plan) | ~100 |
| Búsqueda semántica FTS5 + TF-IDF | ~700 |
| Lee archivo completo | ~500-5000 |
| Resumen compacto del estado | ~500 |
| Lista todos los proyectos | ~100 |
| Archiva entradas >30 días en bóveda | ~50 |
| Migra .md existentes al sistema | ~200 |
| Exporta archivo de memoria | variable |
| Métricas de uso y ahorro de tokens | ~300 |
| Sync JSON + SQLite de todos los proyectos | ~500 |
| Exporta proyecto a formato .mcp-zip | ~200 |
| Importa proyecto desde .mcp-zip | ~300 |
| Lista contenido de un .mcp-zip | ~100 |
Flujo Óptimo (Ahorra Tokens)
❌ Mal (consume ~50,000 tokens/sesión)
# Leer TODO el contexto cada vez
memoria_leer("ferreteria", "errores") # 3,716 tokens
memoria_leer("ferreteria", "decisiones") # 5,901 tokens
memoria_leer("ferreteria", "implementacion") # 2,862 tokens✅ Bien (consume ~3,500 tokens/sesión)
# Resumen general
memoria_resumen("ferreteria") # 500 tokens
# Búsqueda específica
memoria_buscar("ferreteria", "parser") # 700 tokens
memoria_buscar("ferreteria", "color") # 700 tokens
# Lectura solo si es necesario
memoria_leer("ferreteria", "resumen") # 500 tokensAhorro: 93% de tokens por sesión.
Formato Compacto
mcp-zip usa un formato .md optimizado para modelos de IA:
### bug | 2026-07-14 | resuelto
Color detection no funciona
ctx: Pinturas Tekbond/Miura se fusionan
root: paso 8 parser FGP, result.attributes sobreescribe objeto
fix: result.attributes = { ...result.attributes, features }
tags: parser,fgp,colores
files: src/services/normalization/parsers/fgp.parser.tsvs formato tradicional (2x más tokens):
## [2026-07-14] Bug: Color detection no funciona 🟢 Resuelto
- **Contexto**: Pinturas Tekbond/Miura se fusionan al no detectar color
- **Causa raíz**: En el paso 8 del parser FGP, `result.attributes = { features: ... }` SOBREESCRIBÍA el objeto
- **Solución**: Cambiar por `result.attributes = { ...result.attributes, features: ... }`
- **Estado**: 🟢 ResueltoBóveda de Archivado
Las entradas resueltas con más de 30 días se archivan automáticamente al iniciar sesión:
~/.memoria/proyectos/ferreteria/
├── errores.md ← Entradas activas
├── errores.json ← Cache estructurado
├── decisiones.md ← Entradas activas
├── decisiones.json ← Cache estructurado
├── memoria.db ← Índice FTS5 + TF-IDF
└── boveda/
├── errores-2026-06.md ← Archivados de junio
├── errores-2026-06.json ← Cache de archivados
├── decisiones-2026-06.md
└── decisiones-2026-06.jsonStores de Almacenamiento
Store | Formato | Para Qué | Quién lo Lee |
| Markdown compacto | Git, humanos, backup | Cualquiera |
| JSON estructurado | Acceso programático | Python, APIs |
| SQLite FTS5 + TF-IDF | Búsqueda instantánea | Motor de búsqueda |
Migración
Si ya tenés archivos .md de contexto existentes:
# El agente llama:
memoria_importar("ferreteria", "/home/user/proyectos/ferreteria/context/")
→ 📥 Importación completada: 5 archivos, 23 entradas
→ 📄 JSON sincronizado automáticamenteVariables de Entorno
Variable | Descripción | Default |
| Directorio raíz de almacenamiento |
|
Formato .mcp-zip
Formato comprimido para exportar/importar proyectos completos:
# Exportar proyecto
memoria_exportar_zip("ferreteria")
→ 📦 ferreteria.mcp-zip (24.5 KB → 8.2 KB comprimido)
# Importar proyecto
memoria_importar_zip("/backup/ferreteria.mcp-zip")
→ 📥 Proyecto 'ferreteria' importado (47 entradas)
# Listar contenido
memoria_listar_zip("ferreteria.mcp-zip")
→ 📋 Contenido:
- errores.md (12 KB)
- errores.json (8 KB)
- decisiones.md (18 KB)
- ...Estadísticas
memoria_estadisticas("ferreteria")
→ 📊 Estadísticas:
- Entradas: 47 (23 bugs, 15 decisiones, 9 planes)
- Activas: 31 | Archivadas: 16
- 💰 Ahorro: 93% (46,500 tokens/sesión)Sincronización
memoria_sincronizar()
→ 🔄 Sincronizando todos los proyectos...
- ferreteria: ✅ JSON + SQLite reconstruido
- matucho: ✅ JSON + SQLite reconstruidoStats del Proyecto
Líneas de código: ~2,200
Tests: 35/35 ✅
Dependencias: 2 (fastmcp, pyyaml)
Formato: .md + .json + SQLite
Búsqueda: FTS5 + TF-IDF (sin ML)Licencia
MIT — Ver LICENSE
mcp-zip — Comprime la memoria de tu agente. Ahorra tokens. Nunca olvide. 🗜️
Available Tools
9 toolsmemoria_archivarA
Archiva entradas resueltas antiguas en la bóveda.
Inputs: nombre (required), dias. Returns: result
memoria_buscarC
Busca entradas de memoria por texto completo.
Inputs: query (required), nombre (required), solo_activos. Returns: result
memoria_escribirC
Escribe una entrada de memoria en formato compacto.
Inputs: tipo (required), nombre (required), titulo (required), estado, +8 more. Returns: result
memoria_exportarC
Exporta un archivo de memoria (lee el contenido).
Inputs: nombre (required), tipo_archivo. Returns: result
memoria_importarB
Importa archivos .md desde una carpeta context/ existente.
Inputs: ruta (required), nombre (required). Returns: result
memoria_iniciarB
Crea un proyecto nuevo con la estructura de memoria.
Inputs: nombre (required), stack. Returns: result
memoria_leerC
Lee un archivo de memoria completo.
Inputs: nombre (required), tipo_archivo. Returns: result
memoria_listarA
Lista todos los proyectos con memoria.
Returns: Lista de proyectos con información básica
Inputs: no named parameters. Returns: result
memoria_resumenC
Genera un resumen compacto del estado del proyecto.
Inputs: nombre (required). Returns: result
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 9 tools
Each tool has a clearly distinct purpose: archive, search, write, export, import, init, read, list, and summary. No two tools overlap in functionality.
All tools follow the 'memoria_' prefix with a verb in Spanish, except 'resumen' which is a noun (summary). The pattern is mostly consistent but has a minor deviation.
Nine tools is appropriate for a memory management system, covering core operations without being excessive or sparse.
The set covers create, read, search, list, archive, import, export, and init. Missing explicit update and delete operations, but archive may serve as soft delete, leaving a minor gap.
Maintenance
Related MCP Connectors
Token-efficient MCP memory for Markdown vaults. Tiered search, GraphRAG, AI memories.
Universal memory for AI agents and tools. Save, organize and search context anywhere.
Persistent memory for AI agents: save, search and connect context across tools and sessions.
Compress coding-agent context ~64%. Hosted Neural Keep MCP for Cursor/Claude/Codex.
Related MCP Servers
- AlicenseAqualityBmaintenanceA local-first shared memory layer for MCP-aware agents like Claude, Codex, and Hermes, enabling persistent memory across chats and clients via Markdown files and SQLite FTS.62MIT
- FlicenseNot gradedqualityCmaintenancePersistent memory for AI agents enabling saving, searching, and managing knowledge across sessions with local markdown files.-
- AlicenseNot gradedqualityDmaintenanceLocal-first, cross-session context store that reduces token usage by saving facts, decisions, and preferences, and recalling them in later sessions with token-efficient ranking and compression.6 npmMIT
- AlicenseAqualityBmaintenanceProvides AI agents with persistent, long-term memory via OKF-formatted markdown and SQLite indexing, enabling stateful storage, retrieval, and search across sessions.6222MIT